Campus Recruitment Recommendation System - 校园招聘推荐系统 | Campus Job Matching Platform

🔥 A campus recruitment recommendation system based on Spring Boot, Vue2, and MySQL.
🚀 Built with user-based collaborative filtering, cold-start fallback, and multi-role recruitment workflows.
⭐ Supports job matching, resume delivery, enterprise management, admin operations, and AI career Q&A.

面向高校求职场景的校园招聘推荐系统（学生端 / 企业端 / 管理端）

项目主周期（Main Timeline）

main 日期：2025.01 - 2025.06
推进次数：约 30 次（长周期迭代）

1. 项目概述
2. 背景与问题定义
3. 建设目标与设计原则
4. 功能全景（按角色）
5. 核心业务流程
6. 推荐系统设计与实现
7. 技术架构与分层说明
8. 数据库设计摘要
9. 项目结构
10. 快速开始
11. 配置说明
12. 测试与质量保障
13. 截图与演示
14. 已知问题与优化方向
项目设计补充
15. 免责声明
16. License

1. 项目概述

本项目是一个围绕校园招聘场景构建的推荐系统，目标是连接求职学生、招聘企业与平台管理者，提供从“信息发布、岗位浏览、简历投递、互动交流、录用反馈”到“后台审核治理”的完整闭环能力。

系统采用 B/S 架构，后端基于 Spring Boot 构建 API 服务，前端采用 Vue2 + Element UI 分别实现用户端与管理端，数据层使用 MySQL 持久化存储。项目不仅实现了校园招聘平台的基础业务，还重点实现了“冷启动热门推荐 + 协同过滤推荐 + 交互排序反馈”的岗位推荐链路，以提高岗位匹配效率和用户求职体验。

近期工程加固已同步到主干代码：

密码重置接口已收紧为“登录管理员可执行”，不再允许匿名直接重置账号密码。
用户、企业、管理员资料修改改为白名单字段更新，避免整对象覆盖导致的误清空与越权改动。
学生与企业主键回归数据库自增，避免时间戳手工赋值带来的并发冲突。
协同过滤推荐改为按相似度加权累计得分，并在推荐不足时回退到热门岗位兜底。
新增 AI 智能求职问答 页面与后端接口，支持对接 OpenAI 兼容模型 API（如 SiliconFlow）。

该仓库当前为“可运行 + 可学习 + 可二开”的工程形态，适合作为：

校园招聘类系统课程设计/毕业设计参考
Spring Boot + Vue2 全栈项目实践样例
推荐系统工程化落地的入门模板

2. 背景与问题定义

在传统校园招聘模式中，常见痛点包括：

信息分散：学生需要在多个渠道反复检索岗位，时间成本高。
匹配低效：岗位数量大，但“适合个人能力与意向”的岗位筛选困难。
企业筛选压力大：简历处理与筛选流程冗长，招聘效率受限。
招聘流程缺乏统一平台：宣讲、投递、反馈、互动等环节割裂。
互动与反馈不足：学生与企业之间缺少顺畅、持续的信息交流机制。

本系统面向上述问题，提供统一平台能力，并通过推荐机制提升“岗位发现效率”和“信息触达准确度”。

3. 建设目标与设计原则

3.1 建设目标

构建一套覆盖学生、企业、管理员三端的校园招聘服务平台。
支持岗位、宣讲、简历、求职记录、录用结果、论坛、留言等核心业务。
通过推荐算法降低信息不对称，提高岗位匹配效率与求职成功率。
保障系统具备可维护性、可扩展性与可部署性。

3.2 设计原则

业务完整：覆盖“发布-浏览-投递-审核-反馈-复盘”主流程。
分层清晰：视图层、网络层、业务层、数据层职责明确。
体验优先：前端交互尽量简洁直接，减少用户操作成本。
推荐可落地：先解决可用性，再逐步提升算法复杂度和效果。
安全可控：提供基础审核、鉴权与管理治理能力。

4. 功能全景（按角色）

4.1 学生用户端

账号注册、登录、身份会话
个人中心维护（个人资料与头像等）
企业宣讲浏览与检索
招聘信息浏览、筛选、详情查看
岗位收藏与推荐列表交互排序
求职信息提交（应聘行为记录）
求职简历维护与投递
招聘结果查看
AI 智能求职问答（大模型 API 调用）
论坛发帖/回帖互动
留言反馈提交

4.2 企业端

企业账号注册与登录
企业资料维护（基础信息、封面、简介等）
企业宣讲内容发布与管理
招聘岗位发布、更新、下架与审核跟踪
求职信息查看与处理
简历查看与招聘结果管理
面试邀请相关信息维护

4.3 管理员端

用户信息审核与管理
企业资质审核与信息治理
岗位分类与招聘信息管理
求职信息与简历审核
论坛分类、帖子、举报记录管理
留言反馈处理与回复
系统配置管理（轮播、基础参数等）

4.4 能力矩阵（简版）

模块	学生	企业	管理员
账号体系	注册/登录	注册/登录	登录
岗位信息	浏览/收藏/应聘	发布/维护	审核/管理
宣讲信息	浏览	发布/维护	管理
简历与求职	新增/修改/查看结果	查看/处理	审核
社区互动	发帖/回帖/留言	参与互动	分类/举报/内容治理
系统配置	-	-	配置管理

5. 核心业务流程

5.1 注册与登录流程

用户首次访问可浏览公开内容；执行收藏、投递、发帖等操作前需注册并登录。登录后系统根据角色加载对应菜单和权限。

5.2 岗位浏览与应聘流程

学生在招聘列表按关键词、分类等条件检索岗位，进入详情后可收藏或投递。投递后进入企业处理队列，并可在后续查看招聘结果。

5.3 企业招聘运营流程

企业维护企业资料后可发布宣讲与招聘信息，持续更新岗位要求；系统支持企业查看投递记录、筛选候选人并维护招聘结果。

5.4 管理治理流程

管理员在后台对用户、企业、岗位、论坛内容及举报信息进行审核与处理，保证平台内容质量与业务流程合规。

5.5 互动反馈流程

平台提供论坛与留言反馈模块，帮助学生、企业、平台之间建立持续沟通渠道，形成“问题发现-反馈-处理-再反馈”的闭环。

6. 推荐系统设计与实现

推荐模块是本项目的核心亮点之一，采用分层策略，兼顾冷启动可用性与个性化效果。

6.1 总体策略

系统将推荐拆分为四个阶段：

冷启动热门推荐
协同过滤个性化推荐
类别偏好重排
前端交互排序反馈

这样设计的原因是：新用户没有行为数据，先用热门兜底；老用户逐步转向个性化；同时保留可解释、可交互的排序反馈。

6.2 冷启动热门推荐

当系统检测到用户没有收藏记录，或协同过滤结果不足以填满推荐位时，系统会回退到热门岗位兜底。热门排序优先参考岗位收藏热度 storeupnum，并结合最近点击时间 clicktime 做次级排序，保证新用户一进入系统就能看到平台内相对热门的岗位。

6.3 协同过滤推荐

当用户存在收藏行为后，系统走 /zhaopinxinxi/autoSort2：

从收藏记录中构建“用户-岗位”稀疏评分矩阵
采用余弦相似度计算目标用户与其他用户的相似度
将“邻域用户数量 K”与“最终返回结果数 N”拆分处理，避免推荐数量和相似用户数量强绑定
对目标用户尚未收藏的候选岗位按“相似度 × 收藏强度”累加打分，而不是简单覆盖最后一位用户的分值
推荐不足时，再从热门岗位池补齐，避免结果集过短

对应实现可参考：

src/main/java/com/utils/UserBasedCollaborativeFiltering.java
src/main/java/com/controller/ZhaopinxinxiController.java

6.4 类别偏好重排

在协同过滤得到候选集合后，系统会结合用户历史收藏中的“职位类别偏好”再次重排，使推荐结果更贴近当前用户关注方向。

6.5 交互排序反馈

前端支持收藏按钮与升降序箭头。用户收藏后，系统同步更新收藏记录与热度字段；用户可在同类列表内切换 ASC / DESC 查看不同热度排序，形成即时反馈。

6.6 推荐链路价值

对新用户：保证“有内容可看”。
对活跃用户：保证“内容更懂我”。
对整体平台：平衡曝光效率与个体匹配精度。

7. 技术架构与分层说明

flowchart LR
  U["学生用户"] --> F["前台 Vue 应用\n端口: 8082"]
  E["企业用户"] --> F
  A["管理员"] --> M["后台 Vue 应用\n端口: 8081"]

  F --> B["Spring Boot API\n/hire\n端口: 8080"]
  M --> B

  B --> D["MySQL\n数据库: hire"]
  B --> S["静态资源与上传文件"]

7.1 前端层

学生端：src/main/resources/front/front
管理端：src/main/resources/admin/admin
技术栈：Vue2、Element UI、Vue Router、Vuex

7.2 接口与业务层

后端采用 Controller -> Service -> DAO 的典型分层结构，具备良好的可维护性：

Controller：接收请求与参数校验
Service：业务逻辑处理
DAO + Mapper：数据访问与 SQL 映射

7.3 数据层

使用 MySQL 存储核心业务数据，关键表覆盖用户、企业、岗位、求职、简历、招聘结果、论坛与留言等完整业务域。

8. 数据库设计摘要

系统数据库名默认为 hire，初始化脚本位于 db/hire.sql。以下为关键业务表摘要：

表名	说明
`yonghu`	学生用户信息
`qiyexinxi`	企业信息
`zhaopinxinxi`	招聘岗位信息（含热度字段）
`qiuzhixinxi`	求职投递记录
`qiuzhijianli`	求职简历
`zhaopinjieguo`	招聘结果
`qiyexuanjiang`	企业宣讲
`forum` / `forumtype`	论坛与分类
`forumreport`	论坛举报
`messages`	留言反馈
`storeup`	收藏记录（推荐重要输入）
`config`	系统配置

其中，推荐逻辑重点依赖：

storeup：用户收藏行为数据
zhaopinxinxi.storeupnum：岗位热度指标
zhaopinxinxi.clicktime：点击时间相关排序参考

9. 项目结构

campus-recruitment-recommendation-system/
├── db/
│   └── hire.sql
├── src/main/java/com/
│   ├── controller/                      # 控制器
│   ├── service/                         # 业务服务
│   ├── dao/                             # 数据访问
│   ├── entity/                          # 实体/VO/Model/View
│   ├── config/                          # 配置
│   ├── interceptor/                     # 拦截器
│   └── utils/                           # 工具类（含推荐算法）
├── src/main/resources/
│   ├── application.yml                  # 后端配置
│   ├── mapper/                          # MyBatis XML
│   ├── static/upload/                   # 上传资源
│   ├── front/front/                     # 前台工程
│   └── admin/admin/                     # 后台工程
└── pom.xml

10. 快速开始

10.1 环境要求

JDK 1.8
Maven 3.6+
Node.js 14+
MySQL 5.7+

10.2 克隆代码

git clone https://github.com/however-yir/campus-recruitment-recommendation-system.git
cd campus-recruitment-recommendation-system

10.3 推荐启动顺序

建议按固定顺序启动，避免前端接口 404 或数据库连接失败：

启动依赖服务（MySQL / Redis）
初始化数据库
启动后端
启动前台（学生/企业）
启动后台（管理员）

10.4 启动依赖服务（可选）

cp .env.example .env.local
docker compose -f docker-compose.dev.yml up -d

10.5 初始化数据库

mysql -uroot -p < db/hire.sql

10.6 配置后端

编辑 src/main/resources/application.yml：

spring.datasource.url
spring.datasource.username
spring.datasource.password

默认配置：

端口：8080
上下文路径：/hire

10.7 启动后端

mvn clean package
mvn spring-boot:run

如需自动加载 .env.local（含数据库与 AI 变量），可使用：

./scripts/run-dev-with-env.sh

10.8 启动前台（学生/企业访问）

cd src/main/resources/front/front
npm ci
npm run serve

访问地址：http://localhost:8082

10.9 启动后台（管理员）

cd src/main/resources/admin/admin
npm ci
npm run serve

访问地址：http://localhost:8081

10.10 生产构建（可选）

# 前台
cd src/main/resources/front/front
npm run build

# 后台
cd src/main/resources/admin/admin
npm run build

10.11 启用 AI 智能求职问答（SiliconFlow 示例）

在项目根目录创建或修改 .env.local（该文件已被 .gitignore 忽略）：

AI_ASSISTANT_ENABLED=true
AI_ASSISTANT_API_URL=https://api.siliconflow.cn/v1/chat/completions
AI_ASSISTANT_API_KEY=your_key
AI_ASSISTANT_AUTH_HEADER=Authorization
AI_ASSISTANT_AUTH_SCHEME=Bearer
AI_ASSISTANT_MODEL=Pro/deepseek-ai/DeepSeek-V3.2
AI_ASSISTANT_TIMEOUT_MS=120000
AI_ASSISTANT_SYSTEM_PROMPT=你是一个有用的助手

启动后访问：

前台页面：/front/dist/index.html#/index/aiCareerChat
后端接口：POST /hire/ai/career/ask

11. 配置说明

11.1 后端配置

文件：src/main/resources/application.yml

服务端口与 context-path
MySQL 连接信息
MyBatis-Plus 映射路径
文件上传大小限制
AI 求职问答配置（OpenAI 兼容 API）

11.2 前台配置

文件：src/main/resources/front/front/src/config/config.js

关键项：

baseUrl: 'http://localhost:8080/hire/'
name: '/hire'
indexNav 中已新增 AI求职问答 菜单项（/index/aiCareerChat）

11.3 后台配置

文件：src/main/resources/admin/admin/src/utils/base.js

关键项：

url: 'http://localhost:8080/hire/'
indexUrl: 'http://localhost:8080/hire/front/dist/index.html'

11.4 AI 求职问答关键配置项

文件：src/main/resources/application.yml

ai.assistant.enabled
ai.assistant.api-url
ai.assistant.api-key
ai.assistant.auth-header
ai.assistant.auth-scheme（Bearer 或 NONE）
ai.assistant.model
ai.assistant.timeout-ms
ai.assistant.system-prompt

11.5 安全相关环境变量（新增）

为避免密钥硬编码，以下配置建议通过环境变量注入：

BAIDU_APP_ID
BAIDU_API_KEY
BAIDU_SECRET_KEY
BAIDU_ACCESS_KEY
BAIDU_ACCESS_SECRET_KEY
VUE_APP_AMAP_KEY（前后台地图 SDK Key）

12. 测试与质量保障

项目测试策略采用“黑盒测试 + 白盒测试”结合方式：

12.1 黑盒测试重点

注册登录功能正确性
招聘信息查询、查看、收藏、评论流程
留言反馈提交与回复流程
论坛发帖回帖流程
管理端审核流程

12.2 白盒测试重点

推荐算法路径与边界条件
控制器参数处理与异常分支
核心业务方法的逻辑正确性
数据更新链路的一致性

12.3 结果摘要

根据论文中的测试用例执行结果，系统在注册登录、招聘信息管理、互动反馈与后台管理等核心模块上能够满足既定功能需求，整体流程可稳定运行；同时，推荐模块已实现可用级别的个性化能力，并保留了继续优化的空间。

13. 截图与演示

说明：本仓库已进行个人信息脱敏处理。下方将放置不含姓名/手机号等敏感信息的关键截图。

13.1 架构与设计图

物理拓扑图

系统结构功能图

总体 E-R 图

企业信息实体属性图

13.2 第五章系统实现界面图

5.1 用户登录界面

5.1 用户注册界面

5.1 招聘信息推荐区域

5.1 企业宣讲展示区域

5.2 后台登录界面

5.2 后台招聘信息管理界面

13.3 业务流程图补充

用户注册登录流程图

添加求职信息流程图

14. 已知问题与优化方向

14.1 当前可优化点

推荐算法仍以协同过滤为主，可继续引入更强的语义匹配与多特征融合。
测试自动化程度可进一步提升（单测、接口回归、CI）。
默认示例数据可进一步精简并增强脱敏。
部署文档可补充 Docker Compose 方案，降低上手成本。

14.2 后续路线图

引入用户画像与岗位语义特征融合推荐
增加推荐效果评估指标（Precision@K / Recall@K / CTR）
引入 Redis 缓存与热点查询优化
完善 CI/CD 流水线
完成容器化部署模板

项目设计补充

实现路径

项目整体按两条主线并行推进：

先完成校园招聘平台的基础业务，包括学生、企业、管理员三端角色，招聘信息、宣讲、简历、投递、招聘结果、论坛和留言等模块；
再在基础业务之上补推荐能力，先实现冷启动热门推荐，再做基于收藏行为的协同过滤推荐，最后补排序和兜底逻辑。

之所以这样设计，是因为推荐算法必须依赖已有业务数据；如果招聘平台本身不成立，推荐链路就缺少有效输入，也难以体现价值。

关键难点

项目的复杂点主要集中在三方面：

新用户缺少行为数据，冷启动阶段无法直接个性化推荐；
用户收藏数据相对稀疏，协同过滤容易出现结果偏少或稳定性不足；
推荐能力需要真正接入招聘业务流程，而不是孤立做成一个算法 Demo。

当前处理方式

当前实现采用了分层落地的方式：

冷启动阶段走 /zhaopinxinxi/autoSort，按岗位收藏热度 storeupnum 返回热门岗位，保证新用户进入系统后能获得基础推荐结果；
当用户存在收藏行为后，走 /zhaopinxinxi/autoSort2，从 storeup 收藏记录中构建用户-岗位评分矩阵，再通过 UserBasedCollaborativeFiltering 计算相似用户并生成推荐列表；
对推荐结果不足的情况，增加非推荐岗位兜底补齐，避免推荐列表为空；
推荐模块直接挂接在招聘信息业务链路中，使推荐结果成为岗位浏览过程的一部分。

后续优化方向

如果继续迭代，优先级较高的方向包括：

在协同过滤之外引入岗位语义特征和用户画像，提升推荐精度；
增加 Precision@K、Recall@K、点击率等推荐效果评估指标；
引入 Redis 缓存和热门数据加速，优化高频查询；
提升推荐链路可解释性，让前端能展示推荐依据；
增强测试和容器化部署，使系统更接近可上线状态。

15. 免责声明

本仓库用于学习交流与项目展示。文档已移除学校、姓名、学号、联系方式等个人敏感信息。

若用于二次开发或线上部署，建议优先完成：

数据库账号与密钥替换
默认测试数据脱敏/清理
公开资源与上传目录合规审查
日志与访问控制策略加固

16. License

MIT

简历改造清单

追踪文件：docs/resume-upgrade-checklist.md
环境模板：.env.example
开发 compose：docker-compose.dev.yml
CI 配置：.github/workflows/ci.yml
评估脚本：scripts/evaluation/recommendation_metrics.py

本轮已落地：推荐兜底与解释能力、配置外置化、评估脚本骨架与 CI 基线。

Name		Name	Last commit message	Last commit date
Latest commit History 103 Commits
.github/workflows		.github/workflows
.mvn/wrapper		.mvn/wrapper
db		db
docs		docs
evaluation		evaluation
project-management		project-management
scripts		scripts
src		src
.env.example		.env.example
.gitattributes		.gitattributes
.gitignore		.gitignore
CONTRIBUTING.md		CONTRIBUTING.md
LICENSE		LICENSE
README.md		README.md
SECURITY.md		SECURITY.md
docker-compose.dev.yml		docker-compose.dev.yml
pom.xml		pom.xml

Folders and files

Latest commit

History

Repository files navigation